买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江工业大学申请的专利一种融合连续性特征的单目深度估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116402877B 。

龙图腾网通过国家知识产权局官网在2025-12-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310370940.9，技术领域涉及：G06T7/55；该发明授权一种融合连续性特征的单目深度估计方法是由毛家发;姚定凯;何政权;胡亚红;产思贤设计研发完成，并于2023-04-10向国家知识产权局提交的专利申请。

本一种融合连续性特征的单目深度估计方法在说明书摘要公布了：一种融合连续性特征的单目深度估计方法，包括如下步骤：对原图进行预处理，使图像间存在隐性关系；同时输入三种图像，经过包含四个阶段以及四个尺度不同的并行子网的编码器与解码器，获得深度图输出。其损失函数包含最小光度误差损失、平滑损失、跨尺度一致性损失以及连续性损失。本发明在保持轻量化的基础上，通过结合尺度不变性与连续性特征，有效提高了深度测量的精度；并且由于其自监督的特性，对数据集的要求低，使得训练门槛低。

本发明授权一种融合连续性特征的单目深度估计方法在权利要求书中公布了：1.一种融合连续性特征的单目深度估计方法，其特征在于，包括以下步骤： 第一步：对原始的三通道彩色图像进行预处理，由原图得到IPIMIH三种图像； 第二步：将每种处理后的图像输入到特征编码器中，在保持高分辨率特征表示的同时逐渐融合低级特征；对多层卷积提取的特征进行拼接，通过对所有上一阶段小于自身的层数上的特征进行加权求和，得到该阶段特征；所述特征编码器包含四个阶段以及四个并行的子网，每个子网的分辨率降低为前一个子网的一半，相应的通道数增加了一倍；第一阶段的的卷积过程包含4个residualunit，每个unit由一个宽度为64的bottleneck组成，bottleneck之后使用一个3×3的卷积操作来降低特征图的通道数，重新变为residualunit输入时的通道数； 第二，第三，第四阶段分别包含1、4、3个exchangeunit，一个exchangeunit包含4个residualunit；在这4个unit后，在每个不同分辨率的转换中都包含两个3×3的卷积；结束第四阶段后，也就得到了特征编码器的输出，对它使用3×3卷积得到解码器的输入； 所述解码器整体上和特征编码器呈现对称结构，具体不同包括：每个阶段的多尺度融合特征不会融合层数比自己低的层次的特征；在获得了多尺度融合特征后需要进行一次3×3卷积，经过卷积后的特征才可以进入下一阶段；当某特征已经是该阶段最高层时，该层特征只作为输入进入下一阶段；解码器最后的输出在经过一个1×1卷积层后输出深度图； 第三步：解码器对多层卷积提取的特征进行拼接，对所有该阶段大于等于自身的层数上的特征进行加权求和，得到下一阶段特征；最终输出深度图；使用组合损失函数进行网络的学习训练，损失函数包含最小光度误差损失、平滑损失、跨尺度一致性损失以及连续性损失；此损失函数组合的表达式为： 其中，γ、μ、λ为超参数； 由于照片中物体无法满足视作漫反射模型--朗伯体模型，损失函数需要考虑光度误差损失: 考虑某种情况：当多帧图像中同一位置，其中一帧图像被遮挡物所影响，此时使用平均值来进行处理显然是缺乏严谨的；为了解决遮挡带来的问题，使用最小重投影损失作为光度误差损失： 损失函数中，为了只允许在灰度值差异较大的区域的深度差异较大，加入了边缘平滑损失： 损失函数中，通过计算连续性损失LMP约束网络显式学习场景的连续性信息： 损失函数中，通过计算跨尺度一致性损失LMH约束网络显式学习场景的尺度不变性信息：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号浙江工业大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。